基于CPLD和单片机的齿轮故障诊断仪的研究

    0　引言

    齿轮是齿轮箱的关键部件,失效比例最大,占了整个齿轮箱的60%以上[1]。国内对齿轮及齿轮箱的故障诊断研究也比较早,目前已基本形成了较为成熟的体系。然而,很多机械设备都是野外作业,工作环境恶劣,很难将这些昂贵的诊断系统应用到实践中去。

    本文提出了一种基于单片机与CPLD双片结构的便携式齿轮箱故障诊断仪,引入了统计模式识别算法作为判据函数,通过拖拉机齿轮箱模拟故障的验证,较好地反映出了齿轮的运行工况。整个系统结构简单、操作方便、诊断精度高,满足设备野外作业的要求。

    1　基于模式识别的齿轮箱故障诊断原理

    1.1　特征参数的选取

    机械诊断中,诊断的确诊率除取决于经验、故障类型等因素之外,很大程度取决于设备故障特征参数的选择。

    一般情况下,测试信号不能直观的反映系统状态的变化,必需对测试信号进行分析处理,以找到反映其统计规律的特征量。统计分析提供了对时间序列信号分析的一种手段,根据观测样本对时间序列信号的各种数字特征或分布函数做出某种切合实际的估计,这种分析方法基于时间序列的平稳性和遍历性假设,即将数据进行零均值处理。基于这种统计分析的时域特征指标主要有均值、均方差、峭度、偏度、波形指标、峰值指标、裕度指标、脉冲指标等。一般情况下,根据峭度和偏度系数,便可确定工况状态[2]。

     1.2　故障诊断

    由于时域信号的峭度和偏度系数就能检测齿轮当前的工作状态,故可以选用这两个参数作为齿轮状态监测的特征参数。其计算公式为:

    式中:g1—偏度;g2—峭度;μ—均值;σ—方差;N—样本数;xi—所取样本。由式(1)和式(2)可知,峭度和偏度分别是所取样本的三阶中心距和四阶中心距,计算并不复杂。只要取适当样本数,单片机32K内存完全可以计算。

    这样就建立二维特征向量空间,通过统计模式识别中的欧几里得距离尺度,构造判别函数为:

    当Δ>0时,θT∈正常状态;

    当Δ<0时,θT∈故障状态。

    式中:D2k—两种状态向量之间的欧氏距离;θT—待测模式向量;θF1—正常状态模式向量;θF2—故障状态模式向量。这样,单片机就可以很方便的检测到齿轮当前的运行状态。若齿轮工作状态正常,则直接通过液晶显示器输出结果;若齿轮工作出现故障,则报警器报警,并液晶显示器输出结果。